临床意识学习:普通损失改善了医疗图像分类器
Arsenii Litvinov1, Egor Ushakov1, Sofia Senotrusova1
1Trusted AI Research Center, RAS, 109004 Moscow, Russia.
Journal of clinical medicine
|January 10, 2026
概括
整合顺序意识损失功能显著提高了乳房成像报告和数据系统 (BI-RADS) 乳房影像的分类准确性. 这种方法更好地反映了错误分类的临床严重性,提高了早期乳腺癌检测的可靠性.
科学领域:
- 医学成像人工智能 医学成像人工智能
- 机器学习用于医疗保健
- 乳腺癌查 乳腺癌查
背景情况:
- 乳腺成像报告和数据系统 (BI-RADS) 对于乳腺癌检测至关重要.
- 当前的模型通常将BI-RADS视为名义,忽视其顺序性和错误分类的临床影响.
- 模型优化和临床严重性之间的不匹配是一个未被充分探索的问题.
研究的目的:
- 评估顺序意识损失函数是否可以提高BI-RADS分类的性能.
- 在受控条件下,将顺序损失与标准交叉进行比较.
- 分析数据集和标签平衡对业绩的影响.
主要方法:
- 系统评估顺序意识损失函数 (例如,地球移动器距离) 与交叉.
- 在具有固定的架构的多个数据集中统一的培训管道.
- 数据集和标签平衡策略的分析.
- 以接收器运行特征曲线 (AUROC) 下面面积和宏观F1分数衡量的性能.
主要成果:
- 在训练期间均衡采样显著提高了性能.
- 顺位损失函数的表现始终优于传统的交叉.
- 在减少严重错误分类方面特别注意到改善,提高了临床相关性.
- 地球移动距离 (EMD) 展示了卓越的性能.
结论:
- 将学习目标与顺序 BI-RADS 结构对齐,大大提高了分类准确性.
- 顺序意识方法提高AI模型的稳定性和乳腺癌查中的临床相关性.
- 强调了医疗AI中损失函数设计,规范化和数据平衡的重要性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.3K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
